CN110688888A - 一种基于深度学习的行人属性识别方法和系统 - Google Patents

一种基于深度学习的行人属性识别方法和系统 Download PDF

Info

Publication number
CN110688888A
CN110688888A CN201910713743.6A CN201910713743A CN110688888A CN 110688888 A CN110688888 A CN 110688888A CN 201910713743 A CN201910713743 A CN 201910713743A CN 110688888 A CN110688888 A CN 110688888A
Authority
CN
China
Prior art keywords
pedestrian
data set
cross entropy
neural network
balance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910713743.6A
Other languages
English (en)
Other versions
CN110688888B (zh
Inventor
刘潇
王弯弯
黄晓峰
殷海兵
贾惠柱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced Institute of Information Technology AIIT of Peking University
Hangzhou Weiming Information Technology Co Ltd
Original Assignee
Advanced Institute of Information Technology AIIT of Peking University
Hangzhou Weiming Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Advanced Institute of Information Technology AIIT of Peking University, Hangzhou Weiming Information Technology Co Ltd filed Critical Advanced Institute of Information Technology AIIT of Peking University
Priority to CN201910713743.6A priority Critical patent/CN110688888B/zh
Publication of CN110688888A publication Critical patent/CN110688888A/zh
Application granted granted Critical
Publication of CN110688888B publication Critical patent/CN110688888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明提供了一种基于深度学习的行人属性识别方法和系统，所述方法包括：根据行人样本数据集构建行人属性数据集，按照平衡类别对所述行人属性数据集的数据进行分类；对于不同平衡类别的数据，使用过采样和/或欠采样进行调整，再次统计分析各个平衡类别的比例，生成交叉熵误差的权重因子；利用行人姿态模型提取颈部臀部关键点，将行人样本数据集中的原始图片分为整体、头部、上半身、下半身四部分，将四部分图片分别输入对应的神经网络模型中；计算每个神经网络模型的交叉熵误差和三元组误差，并将两种误差求和累加，梯度回传训练网络直至收敛；其中所述交叉熵误差由根据所述权重因子修正的交叉熵计算得到；使用训练后的神经网络模型识别行人属性。本发明达到更好的属性识别效果。

Description

一种基于深度学习的行人属性识别方法和系统
技术领域
本发明涉及模式识别技术领域，特别是涉及深度学习中行人属性识别问题中数据分布不均衡的解决方法和系统。
背景技术
随着近些年来，智慧城市安防系统日益完善，视频监控基本遍布城市各个角落。因而一系列的监控视频信息分析工作，例如，目标检测和跟踪，属性识别和检索等，受到了越来越多的研究者的关注。行人作为主要的监控目标是重要的，而对行人的基本属性进行有效的识别，会给监控视频检索工作带来很大的便利。目前，行人属性识别中主要使用的识别算法为人工神经网络，它通过模拟人脑视皮层腹侧通路的信息处理过程，建立多层的神经网络模型，通过已标注数据训练实现属性识别任务。在行人属性识别问题的数据中，行人属性之间差异巨大，例如，在行人发型中，光头的比例相较于长发、短发等，个数是极少的，每一千人甚至不到一个。但这种不平衡容易造成数量少的类别在识别过程中被数据量大的类别覆盖，而导致无法识别或识别的正确率偏低的问题。目前，已有一些工作在解决数据不均衡的方法，主要是针对多分类问题的，但行人属性识别问题的难点在于，它不是一个多分类问题，而是多个多分类任务的合并，但彼此之间又有关联。比如性别，年龄段，发型，都分别是一个多分类任务，但例如光头，更高概率出现在中老年男性中。在行人属性问题中，由于属性的多样性，属性之间的数量差异也不尽相同：有的属性数量基本一致，比如性别中的男女；有的属性之间有一定差异，类似年龄段，儿童和老年数据虽然少，但每一千例中也有一例左右；而有的差距巨大，例如光头一千例中不足一例。对于均衡性不一样的数据，所采取的策略也不完全一样。目前，针对行人属性识别中的数据不均衡的解决方案是缺乏的。
发明内容
为解决上述问题，本发明针对行人属性识别中的数据不均衡设计解决方案。本发明的目的是通过以下技术方案实现的。
根据本发明的一个方面，提供了一种基于深度学习的行人属性识别方法，包括：
根据行人样本数据集构建行人属性数据集，按照平衡类别对所述行人属性数据集的数据进行分类；
对于不同平衡类别的数据，使用过采样和/或欠采样进行调整，再次统计分析各个平衡类别的比例，生成交叉熵误差的权重因子；
利用行人姿态模型提取颈部臀部关键点，将行人样本数据集中的原始图片分为整体、头部、上半身、下半身四部分，将四部分图片分别输入对应的神经网络模型中；
计算每个神经网络模型的交叉熵误差和三元组误差，并将两种误差求和累加，梯度回传训练网络直至收敛；其中所述交叉熵误差由根据所述权重因子修正的交叉熵计算得到；
使用训练后的神经网络模型识别行人属性。
进一步地，所述平衡类别包括：平衡、不平衡、极不平衡三类。
进一步地，所述行人样本数据集由监控或者视频中的图像中获得，通过截取图像中包含人的部分，得到各种行人的原始图片，组成行人样本数据集。
进一步地，所述行人姿态模型和神经网络模型均采用ResNet18卷积神经网络模型。
进一步地，所述对于不同平衡类别的数据，使用过采样和/或欠采样进行调整，包括：对于不同平衡类别的数据，通过过采样和欠采样的方法微调，按照不平衡程度，依次对于每一个类别随机复制稀有类的样本1％，舍弃大类样本1％，循环若干次，得到平衡度均衡的样本。
进一步地，所述交叉熵误差的权重因子W＝1-α*，其中α*＝n/N，n为重新取样后属于该平衡类别的样本数，N为重新取样后的总样本数。
进一步地，设z＝[z0，...，zC-1]表示一个样本的非softmax输出，C表示该样本的标签，则所述交叉熵误差表示为：
Figure BDA0002154639280000031
进一步地，所述三元组误差表示为：
Figure BDA0002154639280000032
其中，f(xa)为锚点，
Figure BDA0002154639280000033
为正样本，
Figure BDA0002154639280000034
为负样本。
根据本发明的另一个方面，还提供了一种基于深度学习的行人属性识别系统，包括：
分类模块，用于根据行人样本数据集构建行人属性数据集，按照平衡类别对所述行人属性数据集的数据进行分类；
调整模块，用于对于不同平衡类别的数据，使用过采样和/或欠采样进行调整，再次统计分析各个平衡类别的比例，生成交叉熵误差的权重因子；
裁剪模块，用于利用行人姿态模型提取颈部臀部关键点，将行人样本数据集中的原始图片分为整体、头部、上半身、下半身四部分，将四部分图片分别输入对应的神经网络模型中；
训练模块，用于计算每个神经网络模型的交叉熵误差和三元组误差，并将两种误差求和累加，梯度回传训练网络直至收敛；其中所述交叉熵误差由根据所述权重因子修正的交叉熵计算得到；
识别模块，用于使用训练后的神经网络模型识别行人属性。
本发明的优点在于：本发明的基于深度学习的行人属性识别方法和系统，引入三元组误差函数，针对极不平衡的样本利用三元数组误差函数，把不同类之间分得更开，同一类别的聚的更紧，也就是更不容易混淆，最终达到更好的属性识别效果。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明基于深度学习的行人属性识别方法流程图；
图2为本发明基于深度学习的行人属性识别中数据不均衡解决方法的详细实施方式的流程图；
图3为本发明对于不平衡类别通过过采样和欠采样的方法微调的示意图；
图4为本发明对极不平衡属性的三元组误差训练结果示意图；
图5为本发明基于深度学习的行人属性识别系统结构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
目前，并没有专门针对行人结构化属性这种多任务的多分类网络数据不平衡的解决方案。大部分的数据不平衡解决方案，比如权重平衡法，过采样和欠采样，都只对不平衡数据有帮助，对于极不平衡数据反而会让网络表现更差。并且这些方法，特别是过采样和欠采样针对的单个多分类问题，在多任务的多分类网络中，对单一属性采取过采样和欠采样容易造成整体数据集其他属性的分布的变化，反而造成困难。
根据本发明的实施方式，提出一种系统的解决行人属性数据不均衡的问题的深度神经网络模型，首先分析已有数据的分布特点，把属性分为平衡，不平衡，极不平衡三类，通过一个训练好的行人动作网络的关键点信息，切分图片，分为整体(原始图片)，头部，上半身和下半身这四部分图片，分别送入4个不同的网络模型中，联合使用过采样和欠采样，由权重修正的交叉熵和三元组误差函数等方法，针对平衡、不平衡、极不平衡属性的特点混合训练网络，并采用该模型对行人属性数据进行识别，最终达到更好的属性识别效果。
如图1所示，本发明的一种基于深度学习的行人属性识别方法，具体步骤如下：
S1、根据行人样本数据集构建行人属性数据集，按照平衡类别对所述行人属性数据集中的数据进行分类。其中，优选的，本发明的实施例中，可以把行人属性数据分为平衡，不平衡，极不平衡三类。所述行人样本数据集由监控或者视频中的图像中获得，通过截取图像中包含人的部分，得到各种行人的原始图片，组成行人样本数据集。
S2、对于不同平衡类别的数据，使用过采样和/或欠采样进行调整，再次统计分析各个平衡类别的比例，生成交叉熵误差的权重因子；
S3、利用行人姿态模型提取颈部臀部关键点，将行人样本数据集中的原始图片分为整体、头部、上半身、下半身四部分，将四部分图片分别输入对应的神经网络模型中；其中，所述行人姿态模型和神经网络模型均可以采用ResNet18卷积神经网络模型。
S4、计算每个神经网络模型的交叉熵误差和三元组误差，并将两种误差求和累加，梯度回传训练网络直至收敛；其中所述交叉熵误差由根据所述权重因子修正的交叉熵计算得到；
S5、使用训练后的神经网络模型识别行人属性。
经试验验证，本发明的基于深度学习的行人属性识别方法，最终达到更好的属性识别效果。
实施例1
本发明供一种基于深度学习的行人属性识别中数据不均衡解决方法，参照图2，包括以下步骤：
(1)对行人样本数据集进行属性标注，得到行人属性数据集；
(2)分析行人属性数据集中各个属性所占比例，以平均每一千个样本中出现比例作为衡量标准(记为α)，将属性分为平衡(300‰-700‰)、不平衡(100‰-300‰，700‰-900‰)和极不平衡(<100‰,>900‰)三类。
(3)如图3所示，首先将属性按照不平衡度由高到低排序，对于不平衡类别通过过采样和欠采样的方法微调，按照不平衡程度，依次对于每一个类别随机复制稀有类的样本1％，舍弃大类样本1％，循环若干次，再次计算不平衡度并排序，得到平衡度较为均衡的样本，使得分布该类别分布尽可能变好。
(4)对于极不平衡的样本，采取过采样的方法每类稀有样本整体重复抽取3次，组成数据集。
(5)再次统计分析行人属性数据集中各个属性所占比例α*＝n/N(其中n为重新取样后属于该属性的样本数，N为重新取样后的总样本数)，生成交叉熵误差函数的权重因子W＝1-α*。
(6)利用行人姿态模型提取颈部臀部关键点，裁剪图片，将原始图片分为整体(原图)，头部，上半身，下半身4部分；
(7)分别送入整体，头部，上半身，下半身的网络模型ResNet18中，每个网络中运用由权重修正的交叉熵计算交叉熵误差loss1。
设z＝[z0，...，xC-1]表示一个样本的非softmax输出，C表示该样本的标签，则交叉熵误差可以表示为：
(8)如图4所示，在每个训练批(batch)中，对每一个极不平衡属性，在稀有类样本(数量少的那一类样本，例如发型中的光头)随机选一个作为锚点f(xa)，其他所有稀有类中样本作为负样本
Figure BDA0002154639280000063
大类样本作为正样本
Figure BDA0002154639280000064
选取距离锚点最近的5个负样本，和距离最远的5个正样本，以锚点和正样本的距离和减去和负样本的距离和，记为三元组误差。
即，
Figure BDA0002154639280000062
(9)将两种loss求和累加，梯度回传训练网络直到收敛。
如图5所示，本发明的一种基于深度学习的行人属性识别系统100，具体包括：
分类模块101，用于根据行人样本数据集构建行人属性数据集，按照平衡类别对所述行人属性数据集中的数据进行分类。其中，优选的，本发明的实施例中，可以把行人属性数据分为平衡，不平衡，极不平衡三类。所述行人样本数据集由监控或者视频中的图像中获得，通过截取图像中包含人的部分，得到各种行人的原始图片，组成行人样本数据集。
调整模块102，用于对于不同平衡类别的数据，使用过采样和/或欠采样进行调整，再次统计分析各个平衡类别的比例，生成交叉熵误差的权重因子；
裁剪模块103，用于利用行人姿态模型提取颈部臀部关键点，将行人样本数据集中的原始图片分为整体、头部、上半身、下半身四部分，将四部分图片分别输入对应的神经网络模型中；其中，所述行人姿态模型和神经网络模型均可以采用ResNet18卷积神经网络模型。
训练模块104，用于计算每个神经网络模型的交叉熵误差和三元组误差，并将两种误差求和累加，梯度回传训练网络直至收敛；其中所述交叉熵误差由根据所述权重因子修正的交叉熵计算得到；
识别模块105，用于使用训练后的神经网络模型识别行人属性。
经试验验证，本发明的基于深度学习的行人属性识别系统，最终达到更好的属性识别效果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种基于深度学习的行人属性识别方法，其特征在于，包括：
根据行人样本数据集构建行人属性数据集，按照平衡类别对所述行人属性数据集的数据进行分类；
对于不同平衡类别的数据，使用过采样和/或欠采样进行调整，再次统计分析各个平衡类别的比例，生成交叉熵误差的权重因子；
利用行人姿态模型提取颈部臀部关键点，将行人样本数据集中的原始图片分为整体、头部、上半身、下半身四部分，将四部分图片分别输入对应的神经网络模型中；
计算每个神经网络模型的交叉熵误差和三元组误差，并将两种误差求和累加，梯度回传训练网络直至收敛；其中所述交叉熵误差由根据所述权重因子修正的交叉熵计算得到；
使用训练后的神经网络模型识别行人属性。
2.根据权利要求1所述的方法，其特征在于，
所述平衡类别包括：平衡、不平衡、极不平衡三类。
3.根据权利要求1所述的方法，其特征在于，
所述行人样本数据集由监控或者视频中的图像中获得，通过截取图像中包含人的部分，得到各种行人的原始图片，组成行人样本数据集。
4.根据权利要求1所述的方法，其特征在于，
所述行人姿态模型和神经网络模型均采用ResNet18卷积神经网络模型。
5.根据权利要求1所述的方法，其特征在于，
所述对于不同平衡类别的数据，使用过采样和/或欠采样进行调整，包括：
对于不同平衡类别的数据，通过过采样和欠采样的方法微调，按照不平衡程度，依次对于每一个类别随机复制稀有类的样本1％，舍弃大类样本1％，循环若干次，得到平衡度均衡的样本。
6.根据权利要求1所述的方法，其特征在于，
所述交叉熵误差的权重因子W＝1-α*，其中α*＝n/N，n为重新取样后属于该平衡类别的样本数，N为重新取样后的总样本数。
7.根据权利要求1所述的方法，其特征在于，
设z＝[z0，...，zC-1]表示一个样本的非softmax输出，C表示该样本的标签，则所述交叉熵误差表示为：
Figure FDA0002154639270000021
8.根据权利要求7所述的方法，其特征在于，
所述三元组误差表示为：
Figure FDA0002154639270000022
其中，f(xa)为锚点，为正样本，
Figure FDA0002154639270000024
为负样本。
9.一种基于深度学习的行人属性识别系统，其特征在于，包括：
分类模块，用于根据行人样本数据集构建行人属性数据集，按照平衡类别对所述行人属性数据集的数据进行分类；
调整模块，用于对于不同平衡类别的数据，使用过采样和/或欠采样进行调整，再次统计分析各个平衡类别的比例，生成交叉熵误差的权重因子；
裁剪模块，用于利用行人姿态模型提取颈部臀部关键点，将行人样本数据集中的原始图片分为整体、头部、上半身、下半身四部分，将四部分图片分别输入对应的神经网络模型中；
训练模块，用于计算每个神经网络模型的交叉熵误差和三元组误差，并将两种误差求和累加，梯度回传训练网络直至收敛；其中所述交叉熵误差由根据所述权重因子修正的交叉熵计算得到；
识别模块，用于使用训练后的神经网络模型识别行人属性。
CN201910713743.6A 2019-08-02 2019-08-02 一种基于深度学习的行人属性识别方法和系统 Active CN110688888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910713743.6A CN110688888B (zh) 2019-08-02 2019-08-02 一种基于深度学习的行人属性识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910713743.6A CN110688888B (zh) 2019-08-02 2019-08-02 一种基于深度学习的行人属性识别方法和系统

Publications (2)

Publication Number Publication Date
CN110688888A true CN110688888A (zh) 2020-01-14
CN110688888B CN110688888B (zh) 2022-08-05

Family

ID=69108162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910713743.6A Active CN110688888B (zh) 2019-08-02 2019-08-02 一种基于深度学习的行人属性识别方法和系统

Country Status (1)

Country Link
CN (1) CN110688888B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428671A (zh) * 2020-03-31 2020-07-17 杭州博雅鸿图视频技术有限公司 人脸结构化信息识别方法、系统、装置及存储介质
CN111523469A (zh) * 2020-04-23 2020-08-11 苏州浪潮智能科技有限公司 一种行人重识别方法、系统、设备及计算机可读存储介质
CN112949406A (zh) * 2021-02-02 2021-06-11 西北农林科技大学 一种基于深度学习算法的羊只个体身份识别方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169527A (zh) * 2017-06-06 2017-09-15 西北工业大学 基于协同深度学习的医学图像分类方法
CN107832672A (zh) * 2017-10-12 2018-03-23 北京航空航天大学 一种利用姿态信息设计多损失函数的行人重识别方法
CN108197697A (zh) * 2017-12-29 2018-06-22 汕头大学 一种训练深度神经网络的动态重采样方法
CN108460407A (zh) * 2018-02-02 2018-08-28 东华大学 一种基于深度学习的行人属性精细化识别方法
CN108875487A (zh) * 2017-09-29 2018-11-23 北京旷视科技有限公司 行人重识别网络的训练及基于其的行人重识别
CN108921051A (zh) * 2018-06-15 2018-11-30 清华大学 基于循环神经网络注意力模型的行人属性识别网络及技术
CN108960184A (zh) * 2018-07-20 2018-12-07 天津师范大学 一种基于异构部件深度神经网络的行人再识别方法
CN109034044A (zh) * 2018-06-14 2018-12-18 天津师范大学 一种基于融合卷积神经网络的行人再识别方法
CN109034224A (zh) * 2018-07-16 2018-12-18 西安电子科技大学 基于双分支网络的高光谱分类方法
CN109117894A (zh) * 2018-08-29 2019-01-01 汕头大学 一种基于全卷积神经网络的大尺度遥感图像楼房分类方法
CN109272115A (zh) * 2018-09-05 2019-01-25 宽凳（北京）科技有限公司 一种神经网络训练方法及装置、设备、介质
CN109359515A (zh) * 2018-08-30 2019-02-19 东软集团股份有限公司 一种用于对目标对象的属性特征进行识别的方法及装置
CN109446898A (zh) * 2018-09-20 2019-03-08 暨南大学 一种基于迁移学习和特征融合的行人重识别方法
CN109558832A (zh) * 2018-11-27 2019-04-02 广州市百果园信息技术有限公司 一种人体姿态检测方法、装置、设备及存储介质
CN109934117A (zh) * 2019-02-18 2019-06-25 北京联合大学 基于生成对抗网络的行人重识别检测方法
CN109977798A (zh) * 2019-03-06 2019-07-05 中山大学 用于行人重识别的掩膜池化模型训练和行人重识别方法
CN110059616A (zh) * 2019-04-17 2019-07-26 南京邮电大学 基于融合损失函数的行人重识别模型优化方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169527A (zh) * 2017-06-06 2017-09-15 西北工业大学 基于协同深度学习的医学图像分类方法
CN108875487A (zh) * 2017-09-29 2018-11-23 北京旷视科技有限公司 行人重识别网络的训练及基于其的行人重识别
CN107832672A (zh) * 2017-10-12 2018-03-23 北京航空航天大学 一种利用姿态信息设计多损失函数的行人重识别方法
CN108197697A (zh) * 2017-12-29 2018-06-22 汕头大学 一种训练深度神经网络的动态重采样方法
CN108460407A (zh) * 2018-02-02 2018-08-28 东华大学 一种基于深度学习的行人属性精细化识别方法
CN109034044A (zh) * 2018-06-14 2018-12-18 天津师范大学 一种基于融合卷积神经网络的行人再识别方法
CN108921051A (zh) * 2018-06-15 2018-11-30 清华大学 基于循环神经网络注意力模型的行人属性识别网络及技术
CN109034224A (zh) * 2018-07-16 2018-12-18 西安电子科技大学 基于双分支网络的高光谱分类方法
CN108960184A (zh) * 2018-07-20 2018-12-07 天津师范大学 一种基于异构部件深度神经网络的行人再识别方法
CN109117894A (zh) * 2018-08-29 2019-01-01 汕头大学 一种基于全卷积神经网络的大尺度遥感图像楼房分类方法
CN109359515A (zh) * 2018-08-30 2019-02-19 东软集团股份有限公司 一种用于对目标对象的属性特征进行识别的方法及装置
CN109272115A (zh) * 2018-09-05 2019-01-25 宽凳（北京）科技有限公司 一种神经网络训练方法及装置、设备、介质
CN109446898A (zh) * 2018-09-20 2019-03-08 暨南大学 一种基于迁移学习和特征融合的行人重识别方法
CN109558832A (zh) * 2018-11-27 2019-04-02 广州市百果园信息技术有限公司 一种人体姿态检测方法、装置、设备及存储介质
CN109934117A (zh) * 2019-02-18 2019-06-25 北京联合大学 基于生成对抗网络的行人重识别检测方法
CN109977798A (zh) * 2019-03-06 2019-07-05 中山大学 用于行人重识别的掩膜池化模型训练和行人重识别方法
CN110059616A (zh) * 2019-04-17 2019-07-26 南京邮电大学 基于融合损失函数的行人重识别模型优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MAMTA MITTAL等: ""An Efficient Edge Detection Approach to Provide Better Edge Connectivity for Image Analysis"", 《IEEE ACCESS ( VOLUME: 7)》, 13 March 2019 (2019-03-13), pages 33240 - 33255 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428671A (zh) * 2020-03-31 2020-07-17 杭州博雅鸿图视频技术有限公司 人脸结构化信息识别方法、系统、装置及存储介质
CN111523469A (zh) * 2020-04-23 2020-08-11 苏州浪潮智能科技有限公司 一种行人重识别方法、系统、设备及计算机可读存储介质
WO2021212737A1 (zh) * 2020-04-23 2021-10-28 苏州浪潮智能科技有限公司 一种行人重识别方法、系统、设备及计算机可读存储介质
CN111523469B (zh) * 2020-04-23 2022-02-18 苏州浪潮智能科技有限公司 一种行人重识别方法、系统、设备及计算机可读存储介质
CN112949406A (zh) * 2021-02-02 2021-06-11 西北农林科技大学 一种基于深度学习算法的羊只个体身份识别方法

Also Published As

Publication number Publication date
CN110688888B (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN110263774B (zh) 一种人脸检测方法
CN107766850B (zh) 基于结合人脸属性信息的人脸识别方法
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN111325115B (zh) 带有三重约束损失的对抗跨模态行人重识别方法和系统
CN103136504B (zh) 人脸识别方法及装置
Muhlenbach et al. Identifying and handling mislabelled instances
CN102804208B (zh) 为视觉搜索应用自动挖掘名人的个人模型
CN110688888B (zh) 一种基于深度学习的行人属性识别方法和系统
US8676740B2 (en) Attribute estimation system, age estimation system, gender estimation system, age and gender estimation system and attribute estimation method
CN109033938A (zh) 一种基于可区分性特征融合的人脸识别方法
CN110163258A (zh) 一种基于语义属性注意力重分配机制的零样本学习方法及系统
CN109919252B (zh) 利用少数标注图像生成分类器的方法
CN105184260B (zh) 一种图像特征提取方法及行人检测方法及装置
CN110781829A (zh) 一种轻量级深度学习的智慧营业厅人脸识别方法
CN108985133B (zh) 一种人脸图像的年龄预测方法及装置
CN109214298A (zh) 一种基于深度卷积网络的亚洲女性颜值评分模型方法
CN114998220B (zh) 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法
CN104462550B (zh) 基于相似性和不相似性融合排序优化的行人重识别方法
CN107220598A (zh) 基于深度学习特征和Fisher Vector编码模型的虹膜图像分类方法
CN112364791A (zh) 一种基于生成对抗网络的行人重识别方法和系统
CN108198172A (zh) 图像显著性检测方法和装置
CN110348516B (zh) 数据处理方法、装置、存储介质及电子设备
CN109670423A (zh) 一种基于深度学习的图像识别系统、方法及介质
CN104978569A (zh) 一种基于稀疏表示的增量人脸识别方法
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 101, building 1, block C, Qianjiang Century Park, ningwei street, Xiaoshan District, Hangzhou City, Zhejiang Province

Applicant after: Hangzhou Weiming Information Technology Co.,Ltd.

Applicant after: Institute of Information Technology, Zhejiang Peking University

Address before: Room 288-1, 857 Xinbei Road, Ningwei Town, Xiaoshan District, Hangzhou City, Zhejiang Province

Applicant before: Institute of Information Technology, Zhejiang Peking University

Applicant before: Hangzhou Weiming Information Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200114

Assignee: Zhejiang smart video security Innovation Center Co.,Ltd.

Assignor: Institute of Information Technology, Zhejiang Peking University

Contract record no.: X2022330000930

Denomination of invention: A pedestrian attribute recognition method and system based on depth learning

Granted publication date: 20220805

License type: Common License

Record date: 20221229